اکسپرس 24
ترجمه فارسی مقاله استفاده از دنباله‌های شبه‌ساندوم در یادگیری ماشین برای مقداردهی اولیه وزن مدل

ترجمه فارسی مقاله استفاده از دنباله‌های شبه‌ساندوم در یادگیری ماشین برای مقداردهی اولیه وزن مدل

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی On Using Quasirandom Sequences in Machine Learning for Model Weight Initialization
عنوان مقاله به فارسی استفاده از دنباله‌های شبه‌ساندوم در یادگیری ماشین برای مقداردهی اولیه وزن مدل
نویسندگان Andriy Miranskyy, Adam Sorrenti, Viral Thakar
فرمت مقاله انگلیسی PDF
تعداد صفحات 57
دسته بندی موضوعات Machine Learning,Computer Vision and Pattern Recognition,یادگیری ماشین , دید رایانه و تشخیص الگوی ,
توضیحات Submitted 5 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 5 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 2,280,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

The effectiveness of training neural networks directly impacts computational costs, resource allocation, and model development timelines in machine learning applications. An optimizer's ability to train the model adequately (in terms of trained model performance) depends on the model's initial weights. Model weight initialization schemes use pseudorandom number generators (PRNGs) as a source of randomness. We investigate whether substituting PRNGs for low-discrepancy quasirandom number generators (QRNGs) -- namely Sobol' sequences -- as a source of randomness for initializers can improve model performance. We examine Multi-Layer Perceptrons (MLP), Convolutional Neural Networks (CNN), Long Short-Term Memory (LSTM), and Transformer architectures trained on MNIST, CIFAR-10, and IMDB datasets using SGD and Adam optimizers. Our analysis uses ten initialization schemes: Glorot, He, Lecun (both Uniform and Normal); Orthogonal, Random Normal, Truncated Normal, and Random Uniform. Models with weights set using PRNG- and QRNG-based initializers are compared pairwise for each combination of dataset, architecture, optimizer, and initialization scheme. Our findings indicate that QRNG-based neural network initializers either reach a higher accuracy or achieve the same accuracy more quickly than PRNG-based initializers in 60% of the 120 experiments conducted. Thus, using QRNG-based initializers instead of PRNG-based initializers can speed up and improve model training.

چکیده به فارسی (ترجمه ماشینی)

اثربخشی آموزش شبکه های عصبی به طور مستقیم بر هزینه های محاسباتی ، تخصیص منابع و جدول زمانی توسعه مدل در برنامه های یادگیری ماشین تأثیر می گذارد.توانایی یک بهینه ساز در آموزش مناسب مدل (از نظر عملکرد مدل آموزش دیده) به وزن اولیه مدل بستگی دارد.طرح های اولیه سازی وزن مدل از ژنراتورهای شماره شبه گرا (PRNG) به عنوان منبع تصادفی استفاده می کنند.ما بررسی می کنیم که آیا جایگزین PRNG ها برای ژنراتورهای شماره شبه رژیم کم (QRNGs)-یعنی توالی SOBOL '-به عنوان منبع تصادفی برای ابتدایی ها می تواند عملکرد مدل را بهبود بخشد.ما Perceptrons چند لایه (MLP) ، شبکه های عصبی حلقوی (CNN) ، حافظه کوتاه مدت طولانی (LSTM) و معماری های ترانسفورماتور را که در مجموعه داده های MNIST ، CIFAR-10 و IMDB با استفاده از SGD و Adam Optimizers آموزش داده شده است ، بررسی می کنیم.تجزیه و تحلیل ما از ده طرح اولیه سازی استفاده می کند: Glorot ، He ، Lecun (هم یکنواخت و هم طبیعی).متعامد ، عادی تصادفی ، کوتاه و لباس تصادفی.مدل هایی با وزنهای تنظیم شده با استفاده از اولیه سازهای مبتنی بر PRNG- و QRNG برای هر ترکیبی از مجموعه داده ها ، معماری ، بهینه ساز و طرح اولیه مقایسه می شوند.یافته های ما نشان می دهد که ابتدایی شبکه های عصبی مبتنی بر QRNG یا به دقت بالاتری می رسند یا به سرعت بیشتری نسبت به ابتدای اولیه مبتنی بر PRNG در 60 ٪ از 120 آزمایش انجام شده دست می یابند.بنابراین ، با استفاده از اولیه سازهای مبتنی بر QRNG به جای ابتدای اولیه مبتنی بر PRNG می توانند سرعت و بهبود آموزش مدل را بهبود بخشند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.